Diabetes Melitus merupakan penyakit metabolik yang membutuhkan deteksi dini untuk membantu mengidentifikasi tingkat risiko diabetes. Penelitian ini bertujuan mengembangkan aplikasi deteksi dini risiko diabetes berbasis website menggunakan algoritma Random Forest serta menganalisis pengaruh penanganan class imbalance terhadap performa model. Dataset yang digunakan adalah Behavioral Risk Factor Surveillance System (BRFSS) 2015 dengan tiga kelas, yaitu Non-Diabetes, Pre-Diabetes, dan Diabetes. Tahapan penelitian meliputi preprocessing, feature engineering, feature selection, penanganan class imbalance menggunakan kombinasi SMOTE dan Random Undersampling (RUS), pelatihan Random Forest, optimasi model, serta implementasi dan pengujian aplikasi. Evaluasi model menggunakan Accuracy, F1 Macro, Balanced Accuracy, dan matrik per kelas. Hasil pengujian menunjukkan bahwa model tanpa resampling memperoleh Accuracy 0,84, tetapi F1 Macro 0,3818 dan Balanced Accuracy 0,3769. Konfigurasi resampling terbaik pada 30.000 sampel menghasilkan Accuracy 0,75, F1 Macro 0,7601, dan Balanced Accuracy 0,7549, dengan Recall Pre-Diabetes sebesar 0,81. Pengujian usability terhadap 30 responden memperoleh persentase 91,72% dengan kategori sangat baik. Hasil tersebut menunjukkan bahwa resampling meningkatkan kemampuan model dalam mengenali kelas secara lebih seimbang, meskipun masih terdapat kesalahan klasifikasi antar kelas.